자기일관성과 분산극대화를 통한 데이터 디노이징

초록

본 논문은 잡음이 섞인 관측분포에서 사전 정의된 구조적 도메인에 속하는 신호분포를 찾기 위해, 자기일관성(마팅게일 결합)과 분산극대화를 결합한 새로운 최적화 프레임워크를 제시한다. 또한, 기존의 볼록 순서(convex order) 대신 검증이 용이하고 안정적인 칸토리비치 우위(Kantorovich dominance)를 도입하여 계산 효율성과 견고성을 향상시킨다.

상세 분석

이 논문은 데이터 디노이징을 두 가지 전통적 접근법—(1) 거리 기반 최적화, (2) 자기일관성(주성분 곡선 등)—의 장점을 하나의 수학적 틀로 통합한다는 점에서 혁신적이다. 핵심 아이디어는 관측분포 ν와 신호분포 µ 사이에 마팅게일 결합이 존재하는 경우, 즉 µ ⪯_C ν (볼록 순서)일 때, 기대 제곱거리 E